プロテオミクスデータの欠損値を扱う

プロテオミクスデータは、多くの場合、欠落の問題に悩まされています。これらの欠損値（MVS）は、統計的な出力の減少、バイアスの導入、および真のサンプルの表現の失敗により、その後の統計分析の完全性を脅かします。長年にわたり、Mission Value Inputation（MVI）メソッドのいくつかのカテゴリが開発され、プロテオミクスデータに適合しています。これらのMVIメソッドは、さまざまな以前の仮定（たとえば、データは通常または独立して分散されている）と動作原則（たとえば、アルゴリズムがランダムの欠落のみに対処するために構築されます）に基づいてタスクを実行し、同じものを扱う場合でもさまざまなレベルのパフォーマンスをもたらします。データセット。したがって、満足のいく結果を達成するには、適切なMVIメソッドを選択する必要があります。適切なMVIメソッドに関する意思決定をガイドするために、さまざまな特性を提示するデータセットの戦略的考慮事項を容易にする意思決定チャートを提供します。また、MVIのパフォーマンスに影響を与える可能性のある交絡因子の存在（バッチ効果など）など、適切なMVIに影響を与える可能性のある他の問題に注意を向けます。したがって、これらもMVI中またはMVIの前または前に考慮する必要があります。

Proteomics data are often plagued with missingness issues. These missing values (MVs) threaten the integrity of subsequent statistical analyses by reduction of statistical power, introduction of bias, and failure to represent the true sample. Over the years, several categories of missing value imputation (MVI) methods have been developed and adapted for proteomics data. These MVI methods perform their tasks based on different prior assumptions (e.g., data is normally or independently distributed) and operating principles (e.g., the algorithm is built to address random missingness only), resulting in varying levels of performance even when dealing with the same dataset. Thus, to achieve a satisfactory outcome, a suitable MVI method must be selected. To guide decision making on suitable MVI method, we provide a decision chart which facilitates strategic considerations on datasets presenting different characteristics. We also bring attention to other issues that can impact proper MVI such as the presence of confounders (e.g., batch effects) which can influence MVI performance. Thus, these too, should be considered during or before MVI.